基于多尺度笔刷的分层油画风格化
发布时间：2021-08-19 07:49
基于图像的油画风格化绘制是计算机图形学领域非真实感绘制研究的热点之一.为了进一步提高图像油画风格化的质量,提出了一种基于多尺度笔刷的分层图像油画风格化绘制算法.该算法模拟艺术家的油画绘制过程,采用不同尺度的笔刷按照从粗到细的顺序逐层绘制.在每层笔刷绘制中,首先使用增量Voronoi序列采样点和图像切线方向场确定笔刷流线,然后结合笔刷形状与笔刷高度场进行纹理贴图,得到最终的图像油画风格化绘制结果.通过与现有算法比较,文中算法不仅能模拟真实的油画绘制过程,而且生成的油画效果层次感更强,充分体现了图像的结构特征和油画细节.
【文章来源】：计算机辅助设计与图形学学报. 2020,32(04)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
结果k.第2层油画绘制结果l.第3层油画绘制结果图4本文算法绘制过程图i.笔刷高度场
第4期陈颖,等:基于多尺度笔刷的分层油画风格化577分别对图像和隐变量进行监督,进一步提高了油画风格化的结果.这类方法虽然能够获得一些较好的结果,但通过黑盒的方式模拟油画风格难以控制;且这些方法仅关注油画风格化的结果,忽略了绘画的过程.2算法实现本文参考油画真实的绘画过程,提出基于多尺度笔刷的分层油画风格化绘制算法,其整体流程如图1所示.图1本文算法流程图首先使用增量Voronoi序列采样点和图像切线方向场确定笔刷流线;然后依据笔刷流线使用笔刷形状与笔刷高度场进行纹理贴图模拟油画的物理效果;最后使用不同尺度的笔刷按照从大到小的顺序迭代并绘制出最终结果.该算法通过模拟实际绘画中由粗到精的绘制过程,得到了高质量的油画结果.2.1增量Voronoi序列采样本文算法基于增量Voronoi序列采样[19]确定笔刷位置.油画绘制是画家不断地在画布上绘制笔刷、逐步求精得到最终油画结果的过程.这一过程中,通常大笔刷用于绘制背景,小笔刷用来勾勒细节.本文基于增量式采样来模拟这一过程,所使用的增量Voronoi序列具有良好的蓝噪特性,并且能保证在任何位置终止算法所得到的序列都有相对较好的样本分布.图2展示了在增量Voronoi序列不同位置截断后采样点的分布情况以及对应的频谱图.其中,图2a~图2c分别为N=1024,2048,4096的样本分布及频谱图;图2d为N=4096的泊a.N=1024b.N=2048c.N=4096d.N=4096(泊松圆盘)图2增量Voronoi序列不同位置截断后采样点的分布松圆盘采样及其频谱图.增量Voronoi序列的生成首先需要在采样空间内随机生成
??⒒嬷瞥鲎钪战峁?.该算法通过模拟实际绘画中由粗到精的绘制过程,得到了高质量的油画结果.2.1增量Voronoi序列采样本文算法基于增量Voronoi序列采样[19]确定笔刷位置.油画绘制是画家不断地在画布上绘制笔刷、逐步求精得到最终油画结果的过程.这一过程中,通常大笔刷用于绘制背景,小笔刷用来勾勒细节.本文基于增量式采样来模拟这一过程,所使用的增量Voronoi序列具有良好的蓝噪特性,并且能保证在任何位置终止算法所得到的序列都有相对较好的样本分布.图2展示了在增量Voronoi序列不同位置截断后采样点的分布情况以及对应的频谱图.其中,图2a~图2c分别为N=1024,2048,4096的样本分布及频谱图;图2d为N=4096的泊a.N=1024b.N=2048c.N=4096d.N=4096(泊松圆盘)图2增量Voronoi序列不同位置截断后采样点的分布松圆盘采样及其频谱图.增量Voronoi序列的生成首先需要在采样空间内随机生成种子点,根据种子点划分Voronoi区域,再依据最远点策略生成新的采样点,通过不断地迭代得到采样序列.具体算法请参考文献[19].2.2图像切线方向场本文算法基于结构张量的特征向量计算图像切线方向场[20],通过该切线方向场指导笔刷流线的方向.首先,算法使用Sobel滤波获得图像在x和y方向上的梯度fx和fy,并构建结构张量=ffffxxxyEFffffFGxyyyT(1)对于给定的点n(x,y),利用结构张量T表示该点在图像上的方向变化率222xxyySn=En+Fnn+Gn(2)通过求解Sn,得到该点的特征值1,2()222
【参考文献】：
期刊论文
[1]图像艺术风格化的研究现状[J]. 邓盈盈,唐帆,董未名. 南京信息工程大学学报(自然科学版). 2017(06)
[2]提示笔刷的数字油画画布自动生成[J]. 陈佳舟,胡文文,何栋,缪永伟. 图学学报. 2015(03)
本文编号：3351018
【文章来源】：计算机辅助设计与图形学学报. 2020,32(04)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
结果k.第2层油画绘制结果l.第3层油画绘制结果图4本文算法绘制过程图i.笔刷高度场
第4期陈颖,等:基于多尺度笔刷的分层油画风格化577分别对图像和隐变量进行监督,进一步提高了油画风格化的结果.这类方法虽然能够获得一些较好的结果,但通过黑盒的方式模拟油画风格难以控制;且这些方法仅关注油画风格化的结果,忽略了绘画的过程.2算法实现本文参考油画真实的绘画过程,提出基于多尺度笔刷的分层油画风格化绘制算法,其整体流程如图1所示.图1本文算法流程图首先使用增量Voronoi序列采样点和图像切线方向场确定笔刷流线;然后依据笔刷流线使用笔刷形状与笔刷高度场进行纹理贴图模拟油画的物理效果;最后使用不同尺度的笔刷按照从大到小的顺序迭代并绘制出最终结果.该算法通过模拟实际绘画中由粗到精的绘制过程,得到了高质量的油画结果.2.1增量Voronoi序列采样本文算法基于增量Voronoi序列采样[19]确定笔刷位置.油画绘制是画家不断地在画布上绘制笔刷、逐步求精得到最终油画结果的过程.这一过程中,通常大笔刷用于绘制背景,小笔刷用来勾勒细节.本文基于增量式采样来模拟这一过程,所使用的增量Voronoi序列具有良好的蓝噪特性,并且能保证在任何位置终止算法所得到的序列都有相对较好的样本分布.图2展示了在增量Voronoi序列不同位置截断后采样点的分布情况以及对应的频谱图.其中,图2a~图2c分别为N=1024,2048,4096的样本分布及频谱图;图2d为N=4096的泊a.N=1024b.N=2048c.N=4096d.N=4096(泊松圆盘)图2增量Voronoi序列不同位置截断后采样点的分布松圆盘采样及其频谱图.增量Voronoi序列的生成首先需要在采样空间内随机生成
??⒒嬷瞥鲎钪战峁?.该算法通过模拟实际绘画中由粗到精的绘制过程,得到了高质量的油画结果.2.1增量Voronoi序列采样本文算法基于增量Voronoi序列采样[19]确定笔刷位置.油画绘制是画家不断地在画布上绘制笔刷、逐步求精得到最终油画结果的过程.这一过程中,通常大笔刷用于绘制背景,小笔刷用来勾勒细节.本文基于增量式采样来模拟这一过程,所使用的增量Voronoi序列具有良好的蓝噪特性,并且能保证在任何位置终止算法所得到的序列都有相对较好的样本分布.图2展示了在增量Voronoi序列不同位置截断后采样点的分布情况以及对应的频谱图.其中,图2a~图2c分别为N=1024,2048,4096的样本分布及频谱图;图2d为N=4096的泊a.N=1024b.N=2048c.N=4096d.N=4096(泊松圆盘)图2增量Voronoi序列不同位置截断后采样点的分布松圆盘采样及其频谱图.增量Voronoi序列的生成首先需要在采样空间内随机生成种子点,根据种子点划分Voronoi区域,再依据最远点策略生成新的采样点,通过不断地迭代得到采样序列.具体算法请参考文献[19].2.2图像切线方向场本文算法基于结构张量的特征向量计算图像切线方向场[20],通过该切线方向场指导笔刷流线的方向.首先,算法使用Sobel滤波获得图像在x和y方向上的梯度fx和fy,并构建结构张量=ffffxxxyEFffffFGxyyyT(1)对于给定的点n(x,y),利用结构张量T表示该点在图像上的方向变化率222xxyySn=En+Fnn+Gn(2)通过求解Sn,得到该点的特征值1,2()222
【参考文献】：
期刊论文
[1]图像艺术风格化的研究现状[J]. 邓盈盈,唐帆,董未名. 南京信息工程大学学报(自然科学版). 2017(06)
[2]提示笔刷的数字油画画布自动生成[J]. 陈佳舟,胡文文,何栋,缪永伟. 图学学报. 2015(03)
本文编号：3351018
本文链接：https://www.wllwen.com/wenyilunwen/huihuayishu/3351018.html
